Усовершенствованный YOLO12 со спациальным пирамидальным пуллингом для обнаружения насекомых в хлопке в реальном времени

Почему важно заметить крошечных насекомых

Хлопок может выглядеть как простое растение, но его глобальная роль огромна: он одевает миллиарды людей, поддерживает миллионы рабочих мест и снабжает отрасли от пищевого масла до косметики. Тем не менее целые поля хлопка могут тихо разрушаться насекомыми, едва больше рисового зерна. Фермеры часто полагаются на частые обходы полей и интенсивное применение пестицидов — методы, которые отнимают много времени, дорогие и вредят окружающей среде. В этом исследовании рассматривается, как новая форма искусственного интеллекта может в режиме реального времени следить за полями хлопка, автоматически обнаруживая вредных насекомых на листьях, чтобы обработки были более прицельными и менее расточительными.

От ручного осмотра к умным камерам

Сегодня многие фермеры или полевые рабочие по‑прежнему проходят между рядами хлопка, визуально проверяя листья и цветы на наличие вредителей. Такой подход ограничен усталостью человека, неравномерным покрытием и меняющимися условиями освещения и погоды. Широкого спектра пестициды, часто распыляемые по расписанию, а не в ответ на реальную потребность, могут убивать полезных насекомых, загрязнять почву и воду и повышать затраты на производство. Авторы утверждают, что более устойчивый путь — позволить компьютерам «видеть» насекомых прямо на полевых фотографиях, предоставляя фермерам автоматизированную систему раннего оповещения, которая позволяет точечно применять меры там, где действительно присутствуют вредители.

Обучение компьютеров распознавать мелких жуков

Для создания такой системы исследователи обратились к глубокому обучению — разделу ИИ, отлично справляющемуся с распознаванием шаблонов на изображениях. Они использовали семейство моделей под названием YOLO («You Only Look Once»), которые способны просканировать изображение и за доли секунды нарисовать рамки вокруг объектов. Отправной точкой стал современный YOLO12 — на его основе собрали новую, усовершенствованную версию, адаптированную для вредителей хлопка. Сначала они подготовили и уточнили качественный открытый датасет из 3 225 фотографий реальных полей хлопка, охватывающий 13 распространённых типов насекомых, таких как божьи коровки, клопы‑вонючки и хлопковая совка. Оригинальные метки были приведены к стандартному формату, понятному модели, и тщательно сбалансировали количество изображений по классам, чтобы ИИ не смещался в сторону наиболее частых видов.

Как сделать мелких насекомых заметными

Обнаружение насекомых на листьях значительно сложнее, чем распознавание крупных объектов, таких как автомобили или люди. Жуки крошечные, часто замаскированы и могут появляться в разных масштабах и ракурсах. Чтобы справиться с этим, команда улучшила архитектуру YOLO12 несколькими способами. Они добавили специализированные строительные блоки, которые помогают модели захватывать тонкие детали, сохраняя при этом понимание общей сцены. Модуль «spaциального пирамидального пуллинга» позволяет сети одновременно смотреть на один и тот же регион в нескольких масштабах — это важно для обнаружения как очень маленьких, так и чуть больших насекомых на одном изображении. Механизм внимания затем помогает модели выделять наиболее информативные части кадра — тонкие формы, цвета и текстуры, которые отличают один вид насекомого от другого, — игнорируя при этом фоновый шум.

Тестирование моделей

Авторы не ограничились одной моделью; они построили и сравнили шесть различных конструкций на базе YOLO, включая стандартные YOLO11 и YOLO12 и несколько кастомных вариантов. Все модели обучались и тестировались на одном и том же датасете насекомых хлопка для честного сравнения. Лидирующая модель, названная Enhanced Hybrid YOLO12, показала очень высокие результаты по стандартным метрикам качества обнаружения, сбалансировав частоту корректного нахождения насекомых и точность построения ограничивающих рамок. По сравнению с исходным YOLO12 она повысила как общее качество обнаружения, так и стабильность в разных условиях тестирования, при этом оставаясь достаточно быстрой для работы в реальном времени на современном графическом оборудовании. Несмотря на то, что усовершенствованная модель требует больших вычислений, авторы показывают, что прирост надежности особенно ценен в реальных фермерских условиях.

Что это значит для фермеров и окружающей среды

В практическом смысле исследование показывает, что камера в паре с обученной моделью ИИ может действовать как неутомимый цифровой разведчик, сканируя листья хлопка на предмет вредителей круглосуточно. Поскольку система Enhanced Hybrid YOLO12 лучше избегает ложных срабатываний по сравнению с предыдущими версиями, она может помочь фермерам распылять химикаты только там и тогда, где насекомые действительно присутствуют, сокращая использование химикатов, экономя деньги и уменьшая вред полезным видам и прилегающим экосистемам. Хотя необходима дополнительная работа по запуску модели на более дешёвых устройствах и расширению её на большее количество видов насекомых и регионов выращивания, это исследование указывает на будущее, где точное земледелие превращает борьбу с вредителями из предположений в основанные на данных действия.

Цитирование: Saif, D., Askr, H., Sarhan, A.M. et al. Enhanced YOLO12 with spatial pyramid pooling for real-time cotton insect detection. Sci Rep 16, 4806 (2026). https://doi.org/10.1038/s41598-026-35747-4

Ключевые слова: вредители хлопка, точное земледелие, глубокое обучение, обнаружение объектов, устойчивое сельское хозяйство